基于声誉机制的区块链赋能多智能设备联邦学习研究.pdf

摘要

微型移动设备如今广泛应用在各种场景，同时会产生大量的数据，而数据可被

应用于机器学习训练人工智能模型。但由于传统机器学习都需要把包含大量隐私的

数据发送到中央服务器进行训练，容易造成隐私泄露。联邦学习允许参与者仅在本

地训练局部模型并发送模型参数合作训练全局模型。尽管联邦学习可以防止原始数

据泄露，但中央服务器面临单点故障的风险。而区块链具有透明公开与不可篡改的

优点可用于解决服务器单点故障。由于参与者进行局部模型训练需要成本，需要一

种激励机制来激励参与者加入联邦学习任务，同时追求训练高质量全局模型，本文

研究基于声誉机制的区块链赋能多智能设备联邦学习框架，具体工作如下：

（1）本文提出一种基于声誉机制的区块链赋能多无人机系统联邦学习框架，通

过基于区块链的智能合约自动执行任务，以局部模型与全局模型的余弦相似性评估

参与者的本地模型质量得出声誉值，以声誉阈值为基准识别并移除搭便车和恶意无

人机。根据声誉值将全局模型进行稀疏化实现公平分配模型利润，在分配总预算时

综合考虑声誉值与数据量衡量无人机的贡献，使诚实无人机获得与成本相对应的奖

励，恶意无人机无法获利。仿真通过MNIST数据集表明本文提出的算法精度高于

FedAvg算法与DSSGD算法，并且能在恶意无人机占比不同的情况下将其驱逐，同

时实现了模型利润与总预算的公平分配。

2

（）本文提出了一种基于声誉机制的区块链赋能移动设备网络联邦学

习框架。通过边缘服务器存储的验证数据集评估移动设备上传的局部模型精度，将

所有局部模型精度归一化，通过局部模型精度的双曲正弦函数衡量声誉值，通过区

块链记录移动设备的声誉值与局部模型参数。在分配定制模型时通过对全局

梯度向量的各项重要程度进行分数评估并降序排序，使诚实移动设备获得与贡献相

称的梯度数量，而搭便车者无法获得奖励，从而实现定制模型的公平分配。通过

MNIST数据集上的仿真实验表明本文所提算法精度高于FedAvg算法与

DSSGD算法，并能够实现定制梯度的公平分配，同时可以在初始全局迭代

时就识别搭便车者并将其清除出联邦学习过程。

关键词：联邦学习；区块链；智能合约；声誉值；激励机制

I

ABSTRACT

Micromobiledevicesarenowwidelyusedinvariousscenariosand

generatealargeamountofdata,whichcanbeappliedtomachinelearningto

trainartificialintelligencemodels.However,traditionalmachinelearning

requiressendingdatacontainingalargeamountofprivacytoacentralserver

fortraining,whichcaneasilyleadtoprivacyleakage.Federatedlearning

allowsparticipantstotrainlocalmodelsonlylocallyandsendmodel

parameterstocollaborateintrainingglobalmodels.Althoughfederated

learningcanpreventrawdataleakage,centralserversfacetheriskofasingle

pointoffailure.Andblockchainhastheadvantagesoftransparency,openness,

andimmutability,whichcanbeusedtosolvesinglepointofserverfailure.Due

tothecostoflocalmodeltrainingforparticipants,anincentivemechanismis

neededtomotivatethemtojointhefederatedlearning